- 嵌入式图卷积网络在 SoC FPGA 上的实时事件数据处理
本研究旨在利用事件相机解决传统视频系统的限制，在汽车领域中针对嵌入式实时系统进行集成，通过图卷积网络 (GCN) 的运用保证处理事件系统所需的吞吐量和延迟性。通过针对点云处理的 GCN 架构 PointNet++ 进行硬件优化，实现了模型尺 - 高效的点云处理动态令牌聚合点变换器
提出了一种高效的基于 DTA 的前向（DTA-Former）方法，用于点云表示和处理，通过逐渐优化令牌的语义特征和语义关系，实现了在模型 Net40，ShapeNet 和航空多光谱 LiDAR（MS-LiDAR）数据集上超越先前点变换器的 - 基于软掩码的点云处理的 Transformer 与跳过关注的上采样
将任务级信息整合到编码阶段，采用软掩码并使用任务级查询和关键字生成的注意力权重学习来增强 SMTransformer 的性能，同时通过跳跃注意力上采样块动态融合来自编码和解码层的各种分辨率点的特征，以在点云处理任务中实现最先进的语义分割结果 - FBPT：一个完全二进制的点转换器
本论文提出了一种新颖的全二进制点云 Transformer（FBPT）模型，可以在机器人和移动设备领域得到广泛应用和扩展。通过将 32 位全精度网络的权重和激活压缩为 1 位二进制值，提出的二进制点云 Transformer 网络大幅减少了 - 基于局部敏感哈希的高效点变换器在高能物理中的应用
这项研究介绍了一种专为大规模科学领域（如高能物理学和天体物理学）的点云处理优化的新型 Transformer 模型。通过解决图神经网络和标准 Transformer 的局限性，我们的模型整合了局部归纳偏置，并通过硬件友好的规则操作实现了近线 - 适应性点变换器
通过提出自适应点云变换器（AdaPT）模型，文章解决了点云变换器（PT）在处理大规模点云时的可扩展性挑战，实现了较低的计算复杂度和竞争性的分类准确率。
- ModelNet-O：一个适用于遮挡感知点云分类的大规模合成数据集
通过模拟真实世界中因单目摄像头扫描而导致的自遮挡，我们提出了一种名为 PointMLS 的鲁棒点云处理方法，通过 ModelNet-O 数据集的实验结果证明了该方法在点云分类中取得了最先进的结果，并且在常规数据集上取得了有竞争力的结果，而且 - 点变换器 V3：更简单、更快、更强
该论文通过利用规模优势，在点云处理中解决了准确性和效率之间的权衡问题，提出了一种简单高效的 Point Transformer V3 模型，并在多个室内外场景的 20 个下游任务中取得了最先进的结果。
- 基于动态图卷积神经网络的局部几何结构点云去噪和异常点检测
数字化社会快速发展，朝着数字孪生和元宇宙的实现方向迈进。其中，点云作为一种 3D 空间的媒体格式备受关注。由于测量误差，点云数据受到噪声和异常值的污染，因此在点云处理中需要进行去噪和异常值检测。我们通过应用基于动态图卷积神经网络设计的两种类 - 通过位置嵌入实现鲁棒的点云处理
基于带宽的分析性逐点嵌入与位置嵌入的关系探索以及在点云分类和注册中具有鲁棒性的结果。
- 基于投影的点卷积在点云分割中的高效应用
通过使用 2D 卷积和多层感知器作为组件的投影点卷积 (PPConv) 模块来优化点云处理算法，实现了在处理速度和分割性能之间的均衡。
- ASSANet：用于高效点云表示学习的各向异性可分离集合抽象
本文旨在提出快速而准确的点云处理技术，通过深入研究 PointNet++，提出了一种新的分离可分离 SA (Separable SA) 模块以及一种新的各向异性降维函数，结合这两个新方法，成功将 PointNet++ 升级为 ASSANet - CVPR刚性混合样本点云正则化策略
本研究提出了一种新的数据增强方法 RSMix，它能够有效地对点云数据进行正则化来减轻深度神经网络的过拟合问题，并通过丰富的消融研究分析了 RSMix 与单视角和多视角数据增强的组合。
- PCT：点云变换器
本文提出了一种新颖的框架，名为点云 Transformer（PCT），它是基于 Transformer 的，并在点云学习方面具有很好的性能。为了更好地捕获点云中的局部信息，我们利用最远点采样和最近邻搜索增强输入嵌入。实验结果表明，PCT 在 - ICCV云变压器：点云处理任务的通用方法
我们提出了一种新的深度点云处理架构的多功能建筑块，该建筑块将空间转换器和多视图卷积网络的思想与二维和三维密集网格中标准卷积层的效率相结合，实现信息的多个并行头的协同作业，以更新点特征，取得了点云处理方面生成和判别任务的最新成果。
- 点云分析中局部聚合算子的深入研究
该论文探究了局部聚合算子对网络性能的影响，并通过设计了一个简单的局部聚合算子 ——Position Pooling (PosPool) 来取得更好的性能，在标准基准测试中实现了最新的精度。
- 联合监督与自监督学习 3D 现实世界挑战
本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。
- ICLRAdvectiveNet: 一种欧拉 - 拉格朗日流体储集器用于点云处理
本文介绍了一种基于物理学的深度学习方法，用于处理点云数据，通过介绍欧拉 - 拉格朗日表示法，能够自然地演化和累积粒子功能，实现各种点云分类和分割问题的高效解决，所以本文将几何机器学习和物理模拟结合起来。
- PointRNN: 移动点云处理的点递归神经网络
本文介绍了 PointRNN，它是一种用于移动点云处理的神经网络，在移动点云预测中产生准确的预测结果，使得点云序列的建模成为可能。
- ICCVDensePoint: 学习高密度环境下的点云表示，为高效的点云处理提供支持
提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时